按照OminiControl的实现思路训练lora，似乎无法调起底模应有的能力？

按照OminiControl的实现思路，通过多条件拼接的方法，在位置对齐任务上出现纹理较差的问题，在非位置对齐的ID保持上无法有效的控制ID的生成（ID保持不像），尽管在单张图上通过了拟合的实验。并且以上数据集在flux上均通过了验证，并且表现较好。
我做了如下的一些实验和思考
1、完全复制的任务，条件图和目标图是同一张，生成效果没有问题，这个证明了整个的采样过程是没有问题的，这个任务在自己写的基于diffusers的代码上也通过验证
2、风格加IP保持的任务，类似OmniConsistency的任务，发现模型对于风格是最先学习到的，而ip基本上没有学习到。后面在做cfg时，负向丢弃图像条件，ip会有一点点像。
3、完全对齐的消除任务，出现的纹理较差不自然，对于简单的空白背景会好一些

最开始我用的diffusers的框架去改写的，一直怀疑采样过程没有对齐还有位置编码，实际上这些应该不影响大致的效果，比如ID信息无法保留的问题。后面采用DiffSynth-Studio训练相同数据，结论基本差不多。我怀疑过cfg推理时的问题，因为训练的损失真的很低，比flux低很多。

官方是否进行过这方面的验证，按道理说qwen-image应该在这方面会更加强，还是说这样的方式并不适合qwen-image

No files, tests, or entry points are named. Start by reproducing the reported OminiControl-style LoRA training cases for position alignment and ID preservation in DiffSynth-Studio, then compare them with the stated diffusers and FLUX results. Done would require an agreed diagnosis or documented validation of whether the approach works for qwen-image.